Кросс-валидация (перекрёстная проверка) – способ надёжно оценить качество модели машинного обучения на ограниченных данных. Самый распространённый вариант – k-блочная кросс-валидация: данные делятся на k частей (фолдов), модель k раз обучается на k−1 частях и проверяется на оставшейся, а итоговая оценка усредняется.
Варианты
- K-fold – обычно 5 или 10 фолдов.
- Стратифицированная – сохраняет долю классов в каждом фолде.
- Групповая – объекты одной группы (клиента, пациента) не попадают одновременно в обучение и проверку.
- Для временных рядов – обучение на прошлом, проверка на будущем, без перемешивания.
- Leave-one-out – каждый объект по очереди становится тестом.
Зачем нужна
- Более устойчивая оценка, чем одно разбиение.
- Подбор гиперпараметров и сравнение моделей.
- Оценка разброса качества.
Ограничения
Требует многократного обучения и больше вычислений; для временных рядов обычная кросс-валидация с перемешиванием даёт завышенную оценку.
